一种基于孪生网络的路面纹理快速分类方法技术

本发明专利技术公开了一种基于孪生网络的路面纹理快速分类方法，首先利用三维激光扫描仪获取路面纹理高度数据并进行数据预处理，然后建立孪生网络分类模型，应用视觉几何组作为孪生网络的子网络，以子网络输出的特征向量计算路面纹理的相似度并作为分类依据，之后利用全局平均池化和一维卷积对初始孪生网络进行轻量化以提高效率。本发明专利技术可部署于便携式设备，对于道路养护工程具有实际意义。道路养护工程具有实际意义。道路养护工程具有实际意义。

【技术实现步骤摘要】
一种基于孪生网络的路面纹理快速分类方法


[0001]本专利技术属于道路检测领域，涉及一种基于孪生网络的路面纹理快速分类方法。本专利技术适用于路面纹理快速检测。

技术介绍

[0002]路面纹理是一种重要的道路特性，对路面纹理的准确识别是进行道路养护的必要前提。然而，路面纹理结构复杂，难以快速准确识别。因此，路面纹理识别任务通常需要大量的人力和财力。
[0003]孪生网络可以有效地完成识别工作。孪生网络是一种深度神经网络结构，它由两个共享权重的子网络组成，它们具有相同的结构和参数。这两个子网络将输入数据映射到一个共享的特征空间中，然后在该特征空间中计算它们之间的相似度或距离，以此作为分类依据。

技术实现思路

[0004]本专利技术的目的在于提出一种基于孪生网络的路面纹理快速分类方法，可以在便携式设备上实现路面纹理分类，同时压缩模型的存储空间并提高检测效率。
[0005]本专利技术的实现步骤为：
[0006]步骤一，利用三维激光扫描仪获取路面纹理高程数据，在两个维度上采样间隔均为0.5毫米，采样长度均为90毫米，数据格式记录为二维数组，数组维度为181
×
181，数值为路面纹理对应的高度。
[0007]步骤二，对路面纹理数据做归一化处理，使其高度值归一到[0,1]区间内。经过归一化处理后，路面纹理数据为长度与宽度均为181且取值为[0,1]区间内的二维数组。
[0008]步骤三，数据可视化，经过步骤二处理的路面纹理数据，等效为宽度与高度均为181的单通道灰度图像，可利用图像处理方式对路面纹理进行分类。
[0009]步骤四，计孪生网络架构，孪生网络由两个结构相同的子网络组成，它们具有相同的权值。这些子网络为输入数据生成特征向量，然后将特征向量输入到能量函数中。根据能量函数的输出，计算出输入数据的相似性，以此判断输入图像是否属于同一类。
[0010]步骤五，设计孪生网络子网络，以16层视觉几何组作为孪生网络的子网络，子网络包含13层卷积层、5层最大值池化层和3层稠密层，卷积层卷积核大小为3
×
3，通道数分别2层64通道、2层128通道、3层256通道、6层512通道，池化层池化核大小为2
×
2，步长为2
×
2，稠密层节点数分别为4096、4096、1000。所有卷积层后均使用relu激活函数，最大值池化层后不使用激活函数，前两层稠密层后使用relu激活函数，最后一层稠密层使用sigmoid激活函数。
[0011]步骤六，设计孪生网络分类器，将测试集数据与训练集数据两两之间分别计算相似度，并对每类训练集数据计算得到的相似度进行平均，以相似度最高的类别作为测试集数据的分类类别。
[0012]步骤七，对孪生网络子网络的稠密层进行轻量化，使用全局平均池化层代替全连接层，在子网络最后一层卷积层后，使用全局平均池化层，再将宽度与高度均为1且具有多层通道的特征图转换为特征向量，此特征向量即孪生网络子网络输出的特征向量。
[0013]步骤八，对孪生网络子网络的卷积层进行轻量化，使用一维卷积代替二维卷积，对于子网络的输入，由输入单通道的181
×
181尺寸的二维张量，改为输入181通道的长度为181的一维张量，子网络中所有卷积层和池化层均变更为一维输入与输出。
[0014]本专利技术所程序算法由Python语言编写，神经网络基于TensorFlow库搭建。在训练过程中，设置批处理大小为32，选择对比损失函数和RMSprop优化器，学习率设为10
‑5，其余参数均保持TensorFlow中的默认值。
[0015]本专利技术提出了一种基于孪生网络的路面纹理快速分类方法，并对其进行轻量化设计，实现快速、准确的路面纹理分类。本专利技术可以部署于移动工作站或笔记本计算机等便携式设备。利用本专利技术可以有效提高路面纹理分类的工作效率，对道路养护行业有着重要的作用。
附图说明
[0016]图1为流程图。
[0017]图2为孪生网络架构示意图。
[0018]图3为孪生网络初始子网络示意图。
[0019]图4为全局平均池化示意图。
[0020]图5为一维卷积示意图。
具体实施方式
[0021]以下结合附图和实施例对本专利技术进行详细说明。
[0022]如图1
‑
4所示，一种基于孪生网络的路面纹理快速分类方法。本方法首先利用三维激光扫描仪获取路面纹理高度数据并进行数据预处理，然后建立孪生网络分类模型，应用视觉几何组作为孪生网络的子网络，以子网络输出的特征向量计算路面纹理的相似度并作为分类依据，之后利用全局平均池化和一维卷积对初始孪生网络进行轻量化以提高效率。本专利技术可部署于便携式设备，对于道路养护工程具有实际意义。
[0023]一种基于孪生网络的路面纹理快速分类方法，该方法包括：获取路面纹理数据；建立孪生网络分类模型；孪生网络子网络轻量化。
[0024]获取路面纹理数据包括以下步骤：
[0025]步骤一，利用三维激光扫描仪获取路面纹理高程数据，在水平面两个维度上采样间隔均为0.5毫米，采样长度均为90毫米，数据格式记录为二维数组，数组维度为181
×
181，数值为路面纹理对应的高度。
[0026]步骤二，对路面纹理数据做归一化处理，使其高度值归一到[0,1]区间内。经过归一化处理后，路面纹理数据为长度与宽度均为181且取值为[0,1]区间内的二维数组。
[0027]步骤三，可视化，经过步骤二处理的路面纹理数据，等效为宽度与高度均为181的单通道灰度图像，可利用图像处理方式对路面纹理进行分类。
[0028]建立孪生网络分类模型包括以下步骤：
[0029]步骤一，设计孪生网络架构，孪生网络由两个结构相同的子网络组成，它们具有相同的权值。这些子网络为输入数据生成特征向量，然后将特征向量输入到能量函数中。根据能量函数的输出，计算出输入数据的相似性，以此判断输入图像是否属于同一类。
[0030]步骤二，设计孪生网络子网络，以16层视觉几何组作为孪生网络的子网络，子网络包含13层卷积层、5层最大值池化层和3层稠密层，卷积层卷积核大小为3
×
3，通道数分别2层64通道、2层128通道、3层256通道、6层512通道，池化层池化核大小为2
×
2，步长为2
×
2，稠密层节点数分别为4096、4096、1000。所有卷积层后均使用relu激活函数，最大值池化层后不使用激活函数，前两层稠密层后使用relu激活函数，最后一层稠密层使用sigmoid激活函数。
[0031]步骤三，设计孪生网络分类器，将测试集数据与训练集数据两两之间分别计算相似度，并对每类训练集数据计算得到的相似度进行平均，以相似度最高的类别作为测试集数据的分类类别。
[0032]孪生网络子网络轻量化包括以下步骤：
[0033]步骤一，对孪本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于孪生网络的路面纹理快速分类方法，其特征在于，该方法的实现步骤为：步骤一，利用三维激光扫描仪获取路面纹理高程数据，在两个维度上采样间隔均为0.5毫米，采样长度均为90毫米，数据格式记录为二维数组，数组维度为181
×
181，数值为路面纹理对应的高度；步骤二，对路面纹理数据做归一化处理，使其高度值归一到[0,1]区间内；经过归一化处理后，路面纹理数据为长度与宽度均为181且取值为[0,1]区间内的二维数组；步骤三，数据可视化，经过步骤二处理的路面纹理数据，等效为宽度与高度均为181的单通道灰度图像，利用图像处理方式对路面纹理进行分类；步骤四，计孪生网络架构，孪生网络由两个结构相同的子网络组成，子网络具有相同的权值；子网络为输入数据生成特征向量，然后将特征向量输入到能量函数中；根据能量函数的输出，计算出输入数据的相似性，以此判断输入图像是否属于同一类；步骤五，设计孪生网络子网络，以16层视觉几何组作为孪生网络的子网络，子网络包含13层卷积层、5层最大值池化层和3层稠密层，卷积层卷积核大小为3
×
3，通道数分别2层64通道、2层128通道、3层256通道、6层512通道，池化层池化核大小为2
×
2，步长为2
×
2，稠密层节点数分别为4096、4096、100...

【专利技术属性】
技术研发人员：严海，潘硕，陈宁，刘卓，苗英豪，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：